Предсказание рынка на основе макроэкономических показателей - страница 58
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Более наглядная картинка:
Повторюсь: мой метод не прогнозирует S&P500. Он прогнозирует рецессии. Рецессия 2020 года пока не закончилась. Проблем с прогнозом нет.
...
1. Предсказатели выбираются по их способности предсказывать рецессии. Выбор производится автоматически, без моего влияния и мнения.
2. Шкала оценки это насколько предлагаемая buy&sell стратегия более доходнее чем buy&hold
3. Исторические участки ограничены глубиной истории индивидуальных экономических показателей
Единственная возможная критика это то что результаты по истории не гарантируют точность предсказний рецессий в будущем. Все результаты показанного графика были подогнаны под историю кроме последнего сигнала о рецессии в декабре 2019 года.
Для конструктивного диалога предлагаю сравнить точность моей системы / модели с другими фундаментальными или течническими системами предсказания рецессий. Можно также сравнить доходность + drawdown моей системы с другими системами торгующими по S&P500.
Спрошу просто: предсказала ли Ваша система предсказания рецессий эту рецессию и за какой срок до нее?
https://www.google.com/amp/s/ria.ru/amp/20200616/1572964400.html
Спрошу просто: предсказала ли Ваша система предсказания рецессий эту рецессию и за какой срок до нее?
https://www.google.com/amp/s/ria.ru/amp/20200616/1572964400.html
Вы хоть перед своими комментариями-простынями читаете то, что комментируете?
Владимир же написал "Данная стратегия дала сигнал на продажу в декабре 2019. Пока сигнал на покупку не даёт. Видимо рынок пойдёт вниз." (с).
Итак, задача предсказать S&P 500 индекс на основе имеющихся экономических показателей.
Шаг 1: Находим показатели. Показатели имеются в общем доступе здесь: http://research.stlouisfed.org/fred2/ Их там 240 тысяч. Самым главным является рост GDP. Этот показатель расчитывается каждый квартал. Отсюда наш шаг - 3 месяца. Все индикаторы на более коротком периоде перерасчитываются на 3-х месячный период, остальные (годовые) отбрасываются. Отбрасываем также показатели для всех стран кроме США и показатели, у которых нет глубокой истории (по крайней мере 15 лет). Итак кропотливым трудом отсеиваем кучу показателей и получаем порядка 10 тыс показателей. Формулируем более конкретную задачу прдесказать S&P 500 индекс на один или два квартала вперёд имея в наличии 10 тыс экономических показателей с квартальным периодом. Я делаю всё в МатЛабе, хотя можно и в R.
Шаг 2: Преобразуем все данные к стационарному виду путём дифференцирования и нормирования. Методов тут много. Главное чтобы из преобразованных данных можно было восстановить первоначальные данные. Без стационарности не одна модель работать не будет. S&P 500 ряд до и после преобразования показан внизу.
Шаг 3: Выбираем модель. Можно нейронную сеть. Можно много-переменную линейную регрессию. Можно много-переменную полиномную регрессию. После опробования линейных и нелинейных моделей приходим к выводу что данные настолько зашумлены что вписывать нелинейную модель смысла нет т.к. y(x) граф, где y = S&P 500 и x = один из 10 тыс показателей, бредставляет собой почти круглое облако. Таким образом формулируем задачу ещё более конкретно: предсказать S&P 500 индекс на один или два квартала вперёд имея в наличии 10 тыс экономических показателей с квартальным периодом используя много-переменную линейную регрессию.
Шаг 4: Выбираем из 10 тыс экономических показателей наиболее главные (уменьшаем размерность задачи). Это самый главный и трудный шаг. Допустим берём историю S&P 500 длинной в 30 лет (120 кварталов). Чтобы представить S&P 500 в виде линейной комбинации экономических показателй разного рода, достаточно иметь 120 показателей чтобы точно описать S&P 500 за эти 30 лет. Причём показатели могут быть совершенно любыми чтобы создать такую точную модель из 120 показателей и 120 значений S&P 500. Значит нужно уменьшать количество входов ниже количества описываемых значений функции. Например ищем 10-20 наиболее важных показателей-входов. Такие задачи описания данных небольшим количеством входов, выбранных из огромного количества кандидатов-базисов (словаря), называются разряжённым кодированием (sparse coding).
Методов отбора входов-предсказателей много. Я перепробовал их все. Вот главные два:
Вот первые 10 индикаторов с максимальным коэффициентом корреляции с S&P 500:
Вот первые 10 индикаторов с максимальной взаимной информацией с S&P 500:
Lag это задержка входного ряда по отношению к моделируемому ряду S&P 500. Как видно из этих таблиц, разные методы выбора наиважнейших входов приводят к разным наборам входов. Так как моей конечной целью является минимизация ошибки модели, то я выбрал второй метод выбора входов, т.е. перебор всех входов и выбор того входа который дал наименьшую ошибку.
...
Вы хоть перед своими комментариями-простынями читаете то, что комментируете?
Владимир же написал "Данная стратегия дала сигнал на продажу в декабре 2019. Пока сигнал на покупку не даёт. Видимо рынок пойдёт вниз." (с).
К вопросу о существовании и влиянии незаметного субьективного фактора на исследование, предлагаю внимательно перечитать эти шаги и убедится, что субьективность в них либо отсутствует, либо НЕ меняет конечный результат...
... В итоге, мы вместе бы пришли к выводу, что в прогнозировании ставку нужно делать не столько на сам метод анализа данных, сколько на личностную субьективность которая может быть права вопреки всем "обьективным" показателям в исследовании.